La propuesta presentada por los físicos Ezequiel Alvarez, Federico Lamagna y Manuel Szewc sugieren que la inteligencia artificial puede comprender cómo funciona cada terapia en miles de casos y ayudar a tomar decisiones. La opinión de uno de los autores.
Ezequiel Alvarez y Manuel Szewc, dos de los autores del paper
La vida de todos ha cambiado drásticamente. Todo gira en torno a las noticias del coronavirus y la cuarentena obligatoria. Aunque los pasatiempos en estos tiempo diferentes suelen ser mirar televisión o hablar por teléfono, los científicos nos hemos volcado a investigar en coronavirus, aun siendo de campos de estudio lejanos, como mi caso particular que es la física teórica. Muchos colegas, en Argentina y el mundo, nos preguntamos si podemos utilizar nuestras habilidades y know-how para ayudar a los médicos y biólogos en esta batalla. Una batalla que nos es común a todos. No es la primera vez que científicos generan una red internacional de colaboración por encima de las diferencias políticas. A veces son precursores de una futura colaboración política, como lo fue el CERN de la Unión Europea, organización donde colaboro.
Hay hoy al menos dos grupos internacionales que reunen científicos de primer nivel y diversas disciplinas en grupos de trabajo, Science-Responds.org y Crowdfightcovid19.org . Papers de todos los días en esto se pueden hallar en Arxiv.org/list/q-bio.pe/new . ¡Es una bola de nieve que comienza a girar y nadie sabe en qué avances inesperados puede desembocar!
En la Argentina, y en mi caso personal, junto a los colegas Federico Lamagna (CAB ) y Manuel Szewc (ICAS ), venimos hace algunas semanas estudiando bibliografía y analizando cómo podríamos aportar. Como físicos nuestra especialización es “construir modelos”. Y dados nuestros últimos artículos en Inteligencia Artificial, pensamos en estudiar cómo esta podría contribuir en hallar una terapia de drogas eficiente contra el coronavirus. La cuarentena ayudó: sólo nos dedicábamos a esto. Luego de unas semanas sacamos el artículo “A Machine Learning alternative to placebo-controlled clinical trials upon new diseases: A primer ”.
En este paper proponemos que la Inteligenca Artificial daría una alternativa valiosa a las investigaciones usuales de ensayos clínicos en los cuáles la mitad de los pacientes toma una misma combinación de drogas y la otra mitad toma (sin saberlo) placebo. Postulamos y probamos que si a la misma cantidad de pacientes, en vez de darles el ensayo clínico usual, se les suministra una terapia de combinación de drogas diferente a cada uno, entonces un algoritmo de Inteligencia Artificial puede aprender el patrón y proponer la mejor combinación de drogas. Lo que una mente humana no podría hacer porque no puede manejar tantas variables a la vez, la Inteligencia Artificial sí: comprender a través de cómo funciona cada terapia diferente en cada paciente, cuál es el patrón de la función que lleva a los pacientes de su condición inicial a su condición al finalizar la terapia.
No somos biólogos ni médicos, por esto para realizar el trabajo lo hicimos a través de un modelo fenomenológico que conecta al paciente desde su estado inicial con el estado final. Como dicho modelo no lo conocemos en la realidad, la fuerza de nuestro argumento reside en mostrar que la terapia de Inteligencia Artificial es mejor que la usual, siempre, no importa el modelo. Para esto mostramos explícitamente que con diversas familias de modelos razonables esto ocurría, con lo cuál también ocurrirá con el modelo verdadero. También pusimos a disposición de la comunidad todos los programas utilizados (código abiero) para que cualquiera puede probar y/o extender la línea de estudio.
¿Se puede aplicar esto en el mundo real hoy? No aun, esto es una primer prueba de concepto sólo matemática, que muestra que es posible. Ahora toca el turno de la realidad. Tenemos dos objetivos, uno es recopilar datos de tratamientos existentes de coronavirus, y el otro y más importante es convencer a las organizaciones que lideran los ensayos clínicos que realicen sus terapias con diversas variaciones en la combinación de las drogas que suministran. Con esa información, más la evolución de cada terapia, podemos alimentar una Red Neuronal que podrá aprender y a partir de allí proponer una combinación de drogas que nunca se haya utilizado y que el algoritmo indicaría, dentro de sus limitaciones, como la óptima. Estimamos que con unos 300 pacientes, ya la Red Neuronal podría dar respuestas interesantes.
No hay comentarios:
Publicar un comentario